梅尔倒谱系数 MFCC 是什么？语音识别里最经典的声音特征

梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients，MFCC）是一种从声音中提取特征的经典方法，由 Davis 和 Mermelstein 在 1980 年提出，几十年来一直是语音识别、说话人识别等任务中最常用的声音特征。

为什么需要它

原始的声音信号是一长串随时间变化的振幅数值，一秒钟就有成千上万个采样点，直接拿来做识别，数据量大，而且包含了大量和识别无关的信息。我们需要把声音转换成一组更紧凑、更能反映“说了什么”或“是谁在说”的特征。MFCC 的设计借鉴了人耳的听觉特性，这是它效果好的关键。

梅尔刻度：模拟人耳

人耳对频率的感知不是线性的：在低频区域，我们能分辨出很细微的音高差别，比如 200 赫兹和 300 赫兹的区别很明显；而在高频区域，同样相差 100 赫兹，比如 8000 赫兹和 8100 赫兹，几乎听不出来。梅尔刻度就是一种模拟这种感知特性的频率刻度：在低频处划分得细，在高频处划分得粗。在梅尔刻度上等距划分的频带，比在正常线性频率上等距划分的频带，更接近人类的听觉系统。

怎么计算

MFCC 的计算大致有几步：先把声音信号切成很短的帧，每帧二三十毫秒，在这么短的时间里声音可以看作是稳定的；对每一帧做傅里叶变换，得到它的频谱；用一组按梅尔刻度排列的三角形滤波器对频谱进行过滤，得到每个梅尔频带的能量；对这些能量取对数，因为人耳对响度的感知也接近对数关系；最后做离散余弦变换，得到的前十几个系数就是 MFCC。最后这一步得到的是“倒谱”，它能把声道形状（决定发的是什么音）和声源（声带振动的音高）的影响分离开，前者正是识别语音内容最需要的信息。

今天的地位

在深度学习时代，很多端到端的语音模型改用更原始的梅尔频谱图作为输入，甚至直接处理原始波形，让神经网络自己学习特征。但 MFCC 仍然在资源有限的设备、传统的语音系统、声学分析和音乐信息检索等场景中被广泛使用，也是学习语音处理的入门必修内容。